非常開心，我能夠借Robotiq公司的官方博客揭開自動化的神秘面紗，并幫助大家初步認識和感知自動化這個理念。希望在讀完這篇文章后，您能對自動化視覺檢測系統有更多的了解。

記得在一個圖像處理的會議上，一位學者講述了關于顏色感知的事情。他談到自己曾經和一位潛在的客戶探討這個問題。那個客戶說“我覺得顏色感知很容易，因為這個自動化的視覺系統只需要告訴我們某一部分是綠色或者不是。”聽起來確實很簡單的，是不是？那么，現在請您回憶下，最后一次決定為家里的一間房噴漆是什么時候？如果您想噴綠色的話，那么您想選擇什么樣的綠色呢？海藻綠？軍裝綠？淡草綠？還是~黃瓜綠？寶石綠怎么樣？這個算綠色嗎？在自動化視覺檢測的過程中，最棘手的挑戰之一就是：清晰定義可接受與不可接受的界限。要知道，機器并不擁有人腦的直覺功能。

那么，什么叫做機器？我們可以給它冠以各種各樣的定義，但我們會把自動化視覺檢測系統定義為一個非交互式系統，該系統可以探查到監測對象在視覺上的瑕疵并且/或者檢查其是否具有相應的功能。它結合了視覺傳感器（1D，2D或3D）和數據處理器（如電腦，或者類似傻瓜相機中的嵌入式處理器）。視覺檢測系統會輸出諸如“被監測部分是好或是壞”之類的輸出結果。根據所監測部分的復雜性，該系統也可以包括一個類似機器人之類的處理系統。本篇文章將著重闡述在工業界廣泛使用的，基于2D圖像的視覺檢測系統。

聽起來，這像極了我們人腦的信息處理結構：傳感器+處理器+行動器。那么，自動化視覺檢測系統和人腦的區別在哪里呢？事實上，差別真的不止一點點！

◆?◆?◆

可靠性

請先看這個只有1分20秒的小視頻（首選WiFi，土豪隨意）

劇透警告: 請在繼續閱讀之前，觀看這個視頻，否則……劇透即將開始~

現在請想想，對于檢測來說，最典型的情況是什么？對，這個檢查員是經過訓練的，他需要關注一項具體的任務。理論上，他應該檢測被監測物體的每一個表面。但實際上，他清楚最容易出問題的是什么，以及在哪里出現。他已具備查找常見問題的經驗，知道是什么原因導致的。例如一個達到最大磨損量的磨具是什么樣子的，一個沒有達到理想溫度的烤箱會是什么樣子而且這樣會導致出現裂縫等等。所有這些問題都會在被監測物體上留下印記。由于這些問題在以前經常碰到，所以檢查員甚至為它們取了相應的名稱，并分門別類進行歸納整理。但是，如果碰到一個新的或者很罕見的問題時，如果這個瑕疵出現的位置與以往不同。這個時候，檢查員該怎么辦呢？要知道，并不是他們不擅長這份工作，而僅僅是因為他們是人，這樣就會遺漏一些很顯而易見的東西—就像這個大猩猩（如果你不知道關于它的事情，建議可以看看上面的視頻。但就像之前已經提示過各位，我已經在本段完成了劇透……）

但自動化視覺檢測系統就不一樣了，它會被訓練得去檢查被監測部分的所有表面，是一直，毫無遺漏的檢查外觀的所有部分，因此就會注意到不同尋常、罕見的瑕疵和問題。系統當然不能去對檢查出來的問題進行歸類，也不知道造成這個問題的原因是什么。但是檢查員可以根據系統指出的問題進行后續的相關調查。

所以這樣說來，自動化視覺檢測系統是完美無瑕的了？我們不能這么快就下結論。人腦是相當復雜的，它具有好多好多功能，現在讓我們來看看其中的一點點。

◆?◆?◆

適應性

我們假設你正在檢查一個部件，視覺缺損指南定義說“灰色表面上的任何黑點都是缺損”。給你20個有不同灰色陰影的部件，其中有些暗一點，有些淺一點。你還能在部件上檢測出黑點嗎？我敢肯定你能?，F在把同樣的部件給自動化系統，你將需要精準界定什么是黑色，什么是深灰。（“極客”一點的說法是：顏色代碼為0x000000則是黑色……那么代碼為0x090909的顏色是黑色么？在我看來，也很黑！）。

還有一個例子可以證明我們的超強適應性：在網上交易時一般會遇到安全提示問題，比如：“請證明你不是一個機器人”

為什么是這樣的形式？字符識別對于“智能”大腦而言是很難的：人類的大腦能識別具有缺失或錯誤字母的單詞，比如

為什么是這樣的形式？字符識別對于“智能”大腦而言是很難的：人類的大腦能識別具有缺失或錯誤字母的單詞，比如G33z, y0u c4n 3v3n r34d th1s，這方面完勝“智能”大腦！還需要比較兩者的適應性嗎？

好了，現在你一定在想……檢測過程是否無法自動化？完全不是這樣的！你可以限制適應性需求，以簡化自動化流程。其中一個可行的方案是看著這個過程如何變化，并改變它。一個策略性的改變是將檢測過程與滾動過程互換。通過先滾動部件，它的表面會更統一，使得機器更容易將其檢測。

◆?◆?◆

檢測模式

什么是標準功能，什么是缺損？人類在檢測模式和標記哪些是可疑的部分方面得分更高。

人類可能只需要一個部件來檢測模式，例如：對齊的孔。

而機器可能會將這些洞（和其他很多的洞）作為獨立的“可疑黑點”，除非他學習過。因此自動視覺系統需要一些培訓，才能知道什么是標準模式，什么不是（有可能存在尺寸閾值？顏色閾值？）“適應性”這一概念又出現了。如果你沒有使用足夠的樣本訓練系統，機器將會把和之前的模式不是完全一樣的模式標記為缺損。使用多種樣品訓練機器是一個不錯的選擇，但要注意用差異較大的部件過度訓練，則可能導致機器反應遲鈍。

讓我們來看看一個光學字符識別（OCR）的例子：你已經教會系統需要尋找的模式是8，但因為你知道這個數字的左邊如果沒有打好，B也是OK的?，F在如果說機器讀出了3……你能接受嗎？左邊是不同的，但因為已經提到的打洞問題，你已經訓練系統在檢測左邊時不要不太挑剔…這個例子很好地說明了機器遲鈍的案例：你在系統中定義的“標準”越多樣，系統將變得越不敏感。底線是，訓練系統可能是很棘手的事，你可能需要和集成器合作。

視覺檢測時的“非官方”傳感器和促動器

現在來看看人類檢測員。他們會將一個部件翻來覆去的進行檢查，然后在部件上發現一個小黑點。接下來會發生什么？很可能他們要不吹吹部件看是否是灰塵，要不就用指甲試試看能不能把它刮掉。參與檢測員的實際操作過程，觀察他們的行為(不是看用戶手冊），對于實現自動化是非常好的幫助。

◆?◆?◆

重復性

當談到重復性，“智能”大腦的得分更高。這幾乎是大多數自動化過程中的關鍵概念：其結果將是可重復的，不管檢查發生在什么時候。

那么，自動化視覺檢測過程中，“你”實際上在做什么？

我們已經看到，人類的適應能力很強，擅于檢測模式，還能利用其他的工具幫助他實現精確的檢查。而另一方面，機器是可靠的，可重復的……因此我們如何通過結合這兩者以求最好效果？

以下的一些提示也許有用：

慎重選擇綜合集成人員：你需要跟他密切合作，以確保他能夠理解你的檢測過程以及其中的變量，在會訓練整個系統的基礎上，也教會他如何使用系統，等等。

參與檢測員實際工作，記錄真實的操作過程。如果“吹部件”沒有在檢測手冊中任何一個地方提到，但是檢測員拿到部件時總是有灰塵，因此不得不每天吹掉灰塵的話，自動系統中也許需要添加一個鼓風機。

如果衡量部件外觀表面的標準值是可變的，請一定要記住，機器的適應性遠不比人類；這時你需要考慮重新安排流程中的一些步驟（請查看上文的“滾動”例子）。

如果可能的話，通過數值定義可接受范圍的邊界：最大缺損長度，可接受的顏色……。當你不能用數值來定義，你需要用更多的實例來訓練系統。

在自動化流程中引入檢測員：他們知道正常部件、缺損部件的定義，以及影響部件外觀的變量。

利用來自不同批次的、在不同時間生產的部件來訓練系統，以獲得多個“標準”外觀表面……系統將因此獲得一些適應性。但是，要記住，在這個過程中有一個平衡點：你需要的是一個靈活而精確的系統，所以耗時不能太長。

和綜合集成人員緊密合作：緊密合作使得交貨迅速成為可能，也能帶來更可靠的結果。

現在你有機會了解到視覺系統的優缺點，你可以想想如何通過與其他機械設備集成來真正實現自動化，例如：多軸力/力矩傳染器或或機械爪。

原文發布時間為：2016-02-27

本文來自云棲社區合作伙伴“大數據文摘”，了解相關信息可以關注“BigDataDigest”微信公眾號

總結

以上是生活随笔為你收集整理的从视觉检测窥探人类大脑和数字大脑的差别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。